軟計(jì)算原理與實(shí)現(xiàn)

目錄
第1章 緒論\t1
1．1 數(shù)據(jù)挖掘概述\t1
1．1．1 數(shù)據(jù)挖掘的發(fā)展?fàn)顩r\t1
1．1．2 數(shù)據(jù)挖掘的概念\t2
1．1．3 數(shù)據(jù)挖掘技術(shù)概述\t5
1．1．4 數(shù)據(jù)挖掘方法比較\t9
1．1．5 數(shù)據(jù)挖掘面臨的問題\t10
1．2 數(shù)據(jù)挖掘中的軟計(jì)算技術(shù)概述\t11
1．2．1 軟計(jì)算的發(fā)展?fàn)顩r\t12
1．2．2 KDD中的軟計(jì)算技術(shù)簡介\t13
1．3 基于WWW的數(shù)據(jù)挖掘與文本挖掘\t19
1．3．1 基于WWW的數(shù)據(jù)挖掘\t19
1．3．2 自然語言處理與文本挖掘\t20
1．4 研究現(xiàn)狀與發(fā)展趨勢\t21
參考文獻(xiàn)\t23
第2章 基于智能Agent的知識發(fā)現(xiàn)模型研究與設(shè)計(jì)\t27
2．1 知識發(fā)現(xiàn)模型概述\t27
2．1．1 面向過程的KDD模型\t28
2．1．2 面向用戶的KDD模型\t30
2．1．3 面向知識的KDD模型\t31
2．2 基于Agent技術(shù)的智能數(shù)據(jù)挖掘系統(tǒng)模型的總體結(jié)構(gòu)\t32
2．2．1 Multi-Agent技術(shù)的特性\t32
2．2．2 智能數(shù)據(jù)挖掘系統(tǒng)模型的總體結(jié)構(gòu)\t34
2．2．3 數(shù)據(jù)挖掘Agent功能描述\t35
2．2．4 數(shù)據(jù)預(yù)處理Agent功能描述\t36
2．2．5 人機(jī)界面Agent功能描述\t37
2．2．6 決策Agent功能描述\t38
2．3 知識發(fā)現(xiàn)過程實(shí)例分析\t39
2．3．1 實(shí)例背景\t39
2．3．2 數(shù)據(jù)預(yù)處理\t40
2．3．3 特征選擇\t43
2．4 研究現(xiàn)狀與發(fā)展趨勢\t47
2．5 本章小結(jié)\t48
參考文獻(xiàn)\t49
第3章 基于軟計(jì)算的知識表示方法研究\t51
3．1 知識表示概述\t51
3．1．1 一階謂詞邏輯表示法\t52
3．1．2 關(guān)系表示法\t53
3．1．3 產(chǎn)生式規(guī)則表示法\t53
3．1．4 框架表示法\t54
3．1．5 語義網(wǎng)絡(luò)表示法\t55
3．1．6 面向?qū)ο蟊硎痉╘t56
3．1．7 知識表達(dá)式\t56
3．1．8 模糊知識表示方法\t58
3．2 基于粗糙集的不確定知識表示方法\t61
3．2．1 知識、劃分與等價(jià)關(guān)系\t61
3．2．2 信息表、不可分辨關(guān)系和基本集\t61
3．2．3 粗糙集的下近似、上近似及邊界區(qū)\t62
3．2．4 知識表示特征集模型\t62
3．2．5 討論\t64
3．3 基于粗糙熵的知識表示方法\t64
3．3．1 信息理論的度量和粗糙集\t64
3．3．2 知識的粗糙性\t65
3．3．3 粗糙熵\t65
3．4 知識的對象模糊語義網(wǎng)絡(luò)表示法\t65
3．5 幾種知識表示方法的比較\t66
3．6 研究現(xiàn)狀與發(fā)展趨勢\t67
3．7 本章小結(jié)\t68
參考文獻(xiàn)\t71
第4章 數(shù)據(jù)挖掘中的小波神經(jīng)網(wǎng)絡(luò)方法研究\t73
4．1 引言\t73
4．2 神經(jīng)網(wǎng)絡(luò)發(fā)展及基礎(chǔ)概述\t73
4．2．1 MP模型\t74
4．2．2 感知器學(xué)習(xí)算法\t75
4．2．3 BP網(wǎng)絡(luò)算法\t75
4．3 基于禁忌搜索算法的小波神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)\t77
4．3．1 禁忌搜索\t77
4．3．2 小波分析基礎(chǔ)\t82
4．3．3 小波變換實(shí)例\t84
4．3．4 小波神經(jīng)網(wǎng)絡(luò)\t86
4．3．5 網(wǎng)絡(luò)設(shè)計(jì)算法\t86
4．3．6 實(shí)驗(yàn)結(jié)果及結(jié)論\t87
4．4 基于小波神經(jīng)網(wǎng)絡(luò)的模型預(yù)測研究\t88
4．4．1 Harr基小波\t88
4．4．2 Harr基小波神經(jīng)網(wǎng)絡(luò)\t89
4．4．3 預(yù)測模型\t90
4．5 BP神經(jīng)網(wǎng)絡(luò)\t91
4．5．1 算法實(shí)現(xiàn)\t91
4．5．2 運(yùn)行實(shí)例\t94
4．6 神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用\t94
4．6．1 神經(jīng)網(wǎng)絡(luò)在可視化中的應(yīng)用\t94
4．6．2 神經(jīng)網(wǎng)絡(luò)在分類中的應(yīng)用\t96
4．6．3 實(shí)驗(yàn)結(jié)果及分析\t98
4．7 研究現(xiàn)狀與發(fā)展趨勢\t99
4．8 本章小結(jié)\t100
參考文獻(xiàn)\t100
第5章 基于用戶需求模型的中英文WWW搜索引擎\t104
5．1 WWW概述\t104
5．1．1 搜索引擎技術(shù)\t105
5．1．2 WWW中的術(shù)語、協(xié)議及相關(guān)技術(shù)\t106
5．2 中英文WWW搜索引擎的結(jié)構(gòu)\t109
5．2．1 數(shù)據(jù)收集、處理子系統(tǒng)\t110
5．2．2 用戶查詢子系統(tǒng)\t111
5．2．3 分類管理子系統(tǒng)\t112
5．3 基于示例的用戶信息需求模型的獲取和表示\t113
5．3．1 文本類別特征的抽取方式\t114
5．3．2 文本的分類判別與文本特征權(quán)重\t115
5．3．3 Fisher判別\t116
5．3．4 用戶信息需求模型的表示\t119
5．3．5 實(shí)驗(yàn)結(jié)果及分析\t119
5．4 研究現(xiàn)狀與發(fā)展趨勢\t120
5．5 本章小結(jié)\t121
參考文獻(xiàn)\t121
第6章 基于Web的文本挖掘技術(shù)研究\t123
6．1 文本挖掘概述\t123
6．1．1 文本挖掘的應(yīng)用\t124
6．1．2 文本處理的基本模型\t125
6．1．3 文本挖掘的流程\t128
6．2 文本挖掘基本技術(shù)\t128
6．2．1 文本特征抽取\t128
6．2．2 文本分類\t132
6．2．3 文本聚類\t133
6．2．4 DBSCAN聚類\t134
6．3 中文文本挖掘模型\t137
6．3．1 文本特征的提取\t137
6．3．2 重心向量與文本聚類\t139
6．3．3 文本自動摘要技術(shù)\t140
6．3．4 文本可視化表示\t141
6．4 研究現(xiàn)狀與發(fā)展趨勢\t143
6．5 本章小結(jié)\t144
參考文獻(xiàn)\t145
第7章 聚類分析與應(yīng)用\t147
7．1 聚類的基本概念\t147
7．1．1 聚類的定義\t147
7．1．2 聚類算法的分類\t148
7．1．3 數(shù)據(jù)挖掘中聚類算法的比較標(biāo)準(zhǔn)\t148
7．2 常用聚類算法介紹與分析\t149
7．2．1 基于劃分的聚類算法\t149
7．2．2 基于層次的聚類算法\t151
7．2．3 基于密度的聚類算法\t152
7．2．4 基于網(wǎng)格的聚類算法\t153
7．2．5 基于模型的聚類算法[3]\t154
7．3 聚類算法比較\t155
7．4 聚類算法k-means的改進(jìn)\t155
7．4．1 聚類算法中的數(shù)據(jù)類型\t155
7．4．2 相異度的計(jì)算\t156
7．4．3 聚類準(zhǔn)則\t157
7．4．4 原始的k-means算法\t157
7．4．5 改進(jìn)的k-means算法\t161
7．5 研究現(xiàn)狀與發(fā)展趨勢\t166
7．6 本章小結(jié)\t166
參考文獻(xiàn)\t167
第8章 軟計(jì)算中的算法及其應(yīng)用\t169
8．1 分類概述\t169
8．2 決策樹\t169
8．2．1 決策樹的概念\t170
8．2．2 決策樹的研究方向\t171
8．2．3 決策樹分析\t171
8．2．4 決策樹算法\t173
8．3 分類的應(yīng)用\t184
8．3．1 基于支持向量機(jī)的印刷故障分類\t184
8．3．2 票據(jù)印刷過程中的數(shù)碼檢測\t190
8．4 遺傳算法\t192
8．4．1 算法實(shí)現(xiàn)\t192
8．4．2 算法運(yùn)行\(zhòng)t198
8．5 研究現(xiàn)狀與發(fā)展趨勢\t199
8．6 本章小結(jié)\t200
參考文獻(xiàn)\t200